摘要：目的提出一種基于人類視覺注意力機制的FA-Net網(wǎng)絡結構以使卷積神經(jīng)網(wǎng)絡(CNN)更適用于眼病篩查系統(tǒng)中的圖像質(zhì)量評估。方法FA-Net主網(wǎng)絡由VGG-19網(wǎng)絡組成,本研究在該基礎上將人類視覺注意力機制加入到CNN中,并在訓練時使用遷移學習的方法,使用ImageNet的權重初始化網(wǎng)絡。注意力網(wǎng)絡采用前景提取的方法,提取血管和疑似病灶點等感興趣區(qū)域,并賦予感興趣區(qū)域更高的權重來加強對感興趣區(qū)域的學習。結果在訓練FA-Net時,使用了2894張眼底圖像。FA-Net在包含2170張眼底圖像的測試集上,分類準確率達97.65%,其敏感度和特異性分別為0.978和0.960,曲線下面積(AUC)為0.995。結論FA-Net對比于其他CNN具有更優(yōu)越的分類性能,能夠更準確、高效地評估視網(wǎng)膜眼底圖像質(zhì)量。該網(wǎng)絡考慮了人類視覺系統(tǒng)(HVS)和人類注意力機制,通過在VGG-19網(wǎng)絡結構中加入注意力模塊,在獲得更好分類性能的同時也使分類結果更具有可解釋性。